Modeling and pricing long memory in stock market volatility
股票市场波动率长记忆的建模与定价AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要直接研究股票波动率的长记忆模型，并通过期权定价讨论资产定价含义。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
股票市场波动率长记忆的建模与定价
- 研究问题
- 股票市场波动率的长期依赖能否由均值回复的分数整合过程刻画？这种缓慢消散的波动冲击对估计、诊断及期权定价有何影响？
- 方法与思路
- 作者讨论分数整合 GARCH 与 EGARCH，用模拟考察准极大似然、模型选择和残差诊断，并结合美国股票波动数据及多种期权定价公式展示应用。
- 材料陈述的贡献
- 摘要称实证证据支持均值回复的分数整合波动过程，条件方差预测受到的冲击按双曲速度消散，并通过期权定价说明其资产定价含义。
- 阅读关注点
- 应核对长期依赖与均值回复的参数条件、准似然及诊断方法的模拟设定，以及从波动模型到期权定价公式所需的额外假设。
- 阅读边界
- 仅依据作者／机构库所标注版本摘要，不能推断刊本变化；摘要未给出实证数值、定价误差或模型比较细节，无法确认定价表现是否改善。
原文摘要
A new class of fractionally integrated GARCH and EGARCH models for characterizing financial market volatility is discussed. Monte Carlo simulations illustrate the reliability of quasi maximum likelihood estimation methods, standard model selection criteria, and residual-based portmanteau diagnostic tests in this context. New empirical evidence suggests that the apparent long-run dependence in U.S. stock market volatility is best described by a mean-reverting fractionally integrated process, so that a shock to the optimal forecast of the future conditional variance dissipate at a slow hyperbolic rate. The asset pricing implications of this finding is illustrated via the implementation of various option pricing formula.